Responses of phyllosphere microbial communities in understory vegetation under plant life form and light intensity
-
摘要:目的
叶际微生物群落对森林生态系统稳定性和植物健康具有重要影响。本研究旨在揭示光照和植物生活型对林下植被叶际微生物群落的影响，为城市森林生态管理及生态系统稳定性维持提供理论支撑。
方法以北京西山国家森林公园油松人工林下典型灌木和草本植物为研究对象，以光合有效辐射为指标，设置低光（ < 500 μmol/（m2·s））、中光（500 ~ 1 000 μmol/（m2·s））和高光（ > 1 000 μmol/（m2·s））3种光照梯度，基于高通量测序技术，分析叶际细菌与真菌群落的多样性、组成结构及扩增子序列变体（ASV）特异性响应特征。
结果（1）光照强度对细菌和真菌群落α多样性影响不显著，而植物生活型对群落多样性和结构具有显著影响，特别是在真菌群落中更为突出。草本植物真菌群落的Chao1、Observed_species和Good’s_coverage指数均显著高于灌木（P < 0.05），PERMANOVA分析表明，生活型对细菌和真菌群落变异的解释率分别约为3.83%和3.70%（P < 0.001）。（2）群落结构分析表明，细菌群落主要由变形菌门主导，优势属分布稳定；而真菌群落在属水平随光照和植物类型变化明显，低光下以茎点球属为主，中高光下以横断孢属为主。PCoA与PERMANOVA结果进一步验证生活型对群落结构影响显著（P < 0.001），而光照影响不显著。（3）ASV分析表明，不同生活型和植物物种间存在较高特异性，真菌群落中灌木与草本共有ASV仅占18.6%，而细菌为11.47%；在植物物种水平，ASV多为物种特有类型，不同植物间共享的ASV极少，表现出较强的宿主专一性。
结论植物生活型是影响林下植被叶际微生物群落结构的关键因子，其调控效应显著高于光照，且真菌群落对植物宿主属性和环境变化的敏感性更高。研究揭示了植物生活型在微生物群落构建过程中的生态作用，为基于微生物生态的城市森林植物配置策略提供了新视角。
Abstract:ObjectivePhyllosphere microbial communities have important impacts on forest ecosystem stability and plant health. This study aims to reveal the effects of light intensity and plant life forms on phyllosphere microbial communities of understory vegetation, providing theoretical support for urban forest ecological management and ecosystem stability.
MethodTypical shrubs and herbs under Pinus tabuliformis plantations in Beijing Xishan National Forest Park were selected as research subjects. Based on photosynthetically active radiation (PAR), three light intensity gradients were established: low (< 500 μmol/(m2·s)), medium (500 ~ 1 000 μmol/(m2·s)), and high (> 1 000 μmol/(m2·s)). Using high-throughput sequencing, diversity, community structure, and amplicon sequence variant (ASV)-specific response characteristics of phyllosphere bacterial and fungal communities were analyzed.
Result(1) Light intensity had no significant effects on α-diversity of bacterial and fungal communities, whereas plant life forms significantly affected microbial diversity and structure, especially fungi. Chao1, Observed_species, and Good’s_coverage indices of fungal communities in herbs were significantly higher than those in shrubs (P < 0.05). PERMANOVA results showed plant life forms explained 3.83% and 3.70% of variations in bacterial and fungal communities, respectively (P < 0.001). (2) Community composition analysis indicated bacterial communities were dominated by Proteobacteria, and their dominant genera remained stable across conditions. However, fungal communities varied significantly at the genus level with light intensity and plant type, with Phoma dominating under low-light conditions and Alternaria under medium and high light. PCoA and PERMANOVA analyses further verified the significant impact of plant life forms on microbial community structure (P < 0.001), while the effect of light intensity was not significant. (3) ASV analysis indicated high specificity among life forms and plant species; fungal communities shared 18.6% of ASVs between shrubs and herbs, while bacterial communities shared only 11.47%, indicating even higher specificity. At the species level, ASVs were mostly species-specific, showing strong host specificity.
ConclusionPlant life form is a key driver of phyllosphere microbial community structure in understory vegetation, with a more pronounced effect than light intensity, especially on fungal assemblages. While bacterial communities remained relatively stable, fungal composition varied across light conditions and host types. These findings highlight the ecological role of life form in shaping microbial assemblages, offering a foundational reference for future research and the ecological design of urban forest systems.
-
六盘山位于黄土高原西北部，不仅是干旱区−半干旱区的过渡区，也是黄土区−土石山区的过渡区，具有特殊的地理位置。华北落叶松是六盘山区的主要造林树种，在木材生产和水土保持方面发挥着重要的作用[1]，但由于该地区气候梯度和年际波动大，降水分布不均，大面积造林虽然增加了植被覆盖率，却使区域生态耗水增加，河川径流减少[2]，林水矛盾日益突出。森林蒸散是土壤−植物−大气系统（SPAC）中水热传输和能量转换的重要环节之一[3-4]，是植被对干旱等环境条件响应的关键过程[5-6]，其中，林分蒸腾是森林蒸散的最主要组分[7]，约占 40% ~ 70%[8]。因此，精确推算和预测林分蒸腾及其变化规律，揭示其与环境因子之间的关系，将有助于深入理解林水关系，并为当地植被恢复和林水管理提供理论指导。
以边材面积为空间纯量将树干液流进行尺度上推计算整株和林分蒸腾量的方法已经被广泛应用[9-10]。但不同时间尺度下，影响树干液流的生态因子会发生显著变化，进而影响林木/林分蒸腾的变化。目前，对不同时间尺度林木/林分蒸腾对环境因子的响应已开展了一些研究，如张静等[11]对苹果林的蒸腾研究发现，空气温度和饱和水汽压差均是日、月尺度下苹果林蒸腾的主要因子。李振华[12]发现，潜在蒸散量可解释华北落叶松林分日蒸腾量变异的81%。Liu等[13]发现林分日蒸腾量受潜在蒸散（PET）、叶面积指数（LAI）和不同深度土壤相对可利用水分（REW）的共同影响。王文杰等[14]发现，随时间尺度的减小，影响树干液流的主要因子将由土壤环境因子（作用于根系的水分吸收）向大气因子如光照和空气湿度（作用于叶片气孔）转变。但这些研究多在日、年尺度下探讨林分蒸腾对单个或多个环境条件的响应，较少关注小时尺度林分蒸腾对环境因子的响应，同时缺乏小时尺度林分蒸腾对多因子响应的耦合模型。事实上，随着全球气候逐渐变暖，导致干旱加剧、短时和极端天气条件频发[15]，日尺度上的研究无法揭示树干液流对日内剧烈变化的气象条件的响应，这将影响林分蒸腾的准确估计，限制对林木蒸腾响应环境变化的深入理解，因此有必要开展日内尺度的林分蒸腾的研究。因此，本研究以宁夏六盘山香水河小流域华北落叶松（Larix principis-rupprechtii）为研究对象，利用热扩散液流探针（SF-L）连续监测2018年生长季（5—10月）样树的树干液流，同步观测气象条件和土壤含水量，并拟合多因子影响的蒸腾模型，以期揭示短时间（小时）尺度内蒸腾对环境因子的响应规律，为当地林水管理提供理论依据。
1. 研究区概况
研究地点位于宁夏六盘山香水河小流域（106°12′ ~ 106°16′ E、35°27′ ~ 35°33′ N），面积为43.7 km2，海拔为2 070 ~ 2 931 m。该区属于温带半湿润气候，年均气温为5.8 ℃, 年均降水量为618 mm（1981—2010年）。主要土壤类型为灰褐土和高寒草甸土，其剖面主要分为枯落物层、腐殖质层、有机矿质层、淀积层和母质层[16]，土壤砾石含量高，平均土层厚度约80 cm[17]。人工纯林占小流域面积的24%，其中华北落叶松约占人工林总面积的90%。该小流域的分水岭沟子流域内华北落叶松均为同年栽植，经营历史相似，坡向均为东南坡向，因此，在该子流域选取一个水平坡长为425.1 m，平均坡度为27.8°的典型华北落叶松坡面，在坡脚处布设了一个长期固定监测样地，样地大小为30 m × 30 m，海拔为2 290 m, 坡度为37.6°。样地林分基本信息及0 ~ 80 cm土壤物理性质见表1。
表 1 研究样地基本信息Table 1. Basic information of the study sample plot平均胸径
Mean DBH/cm平均树高
Mean tree height/m平均冠幅
Mean crown width/m林分密度/（株·hm− 2）
Stand density/
(tree·ha− 1)郁闭度Canopy density 土壤密度
Soil bulk density/
(g·cm− 3)总孔隙度
Total
porosity/%毛管孔隙度
Capillary porosity/%非毛管孔隙度
Noncapillary porosity/%18.71 ± 4.03 16.19 ± 2.34 3.27 ± 0.81 907 0.72 0.94 56.65 40.56 16.09 2. 研究方法
2.1 气象条件监测
在距样地100 m处的林外空旷地安装一台WheatherHawk-232自动气象站（WheatherHawk，美国）记录气象条件，自计频率为5 min。测定的指标包括空气温度（Ta，°C）、空气相对湿度（RH，%）、降雨量（P，mm）、太阳辐射（Rs，W/m2）、风速（Ws，m/s）和风向。饱和水汽压差（vapor pressure deficit，VPD，kPa）由当时气温条件下空气中的饱和水汽压与实际水汽压之差计算而得[18]：
VPD=0.611×(1−RH100)×e[17.502TaTa+240.97] (1) 式中：Ta为空气温度（°C）；RH为空气相对湿度（%）。
2.2 土壤水分监测
根系层土壤水分对树木生长有重要作用，林木蒸腾直接受主根系层土壤水分的影响[19]，而研究区华北落叶松根系层主要分布在0 ~ 60 cm[20], 故本研究只关注根系层的土壤湿度。土壤湿度随土层深度变化有较大的空间变异[20]，且变异程度随土层的增加而逐渐降低，所以需在不同土层深度布设探头，且在表层进行加密观测。鉴于此，在样地内按0 ~ 10 cm、10 ~ 20 cm、20 ~ 40 cm、40 ~ 60 cm土层深度布设土壤湿度、温度传感器（5TE，Decagon，美国），监测不同土层的土壤湿度动态变化规律。传感器与EM50（Em50，Decagon，美国）数据采集器相连，记录频率为 5 min一次。土壤可利用水分（relative extractable water，REW）的计算公式如下：
REW=VSM−VSMmin (2) 式中：VSM为0 ~ 60 cm土层实际土壤含水量的平均值（m3/m3），VSMmin为0 ~ 60 cm土层的最小土壤含水量（m3/m3），VSMmax为0 ~ 60 cm土层的最大土壤含水量（m3/m3）。
2.3 树干液流的测定与计算
在样地内按树干径级（< 14 cm、14 ~ 17 cm、17 ~ 20 cm、> 20 cm）各径级选取1棵生长发育良好，无病虫害的树木做为样树用于监测树干液流，树干液流测定采用四针式热扩散液流探针（SF-L，Ecomatik，德国）。探针安装在树干北侧1.3 m处。安装探针时，首先将老化的树皮去除，将探针（S1、S0、S2、S3）按顺序插入树干内，注意加热探针（S0）应位于上方。探针安装好后，用玻璃胶将探针与树干之间的缝隙密封，用铝箔纸将探针部位的树干包裹，防止雨水及环境热辐射对探针测定数据的影响。探针与数据采集器DL2e（Delta-T Devices，英国）相连，每5 min记录一次数据。
单株液流速率（Ji，g/（m2·s））及平均液流速率
\overline {J_{\rm{s}}} （g/（m2·s））的计算方法为：{J_i} = 119 {\left( {\left( {{d_{{\rm{tmax}}}}/{d_{{\rm{tact}}}}} \right) - 1} \right)^{1.231}} (3) {d_{{\rm{tact}}}} = {T_{1 - 0}} - \left( {{T_{1 - 2}} + {T_{1 - 3}}} \right)/2 (4) \overline {J_{\rm{s}}} = \frac{{\displaystyle\mathop \sum \nolimits_i^n {J_i} \times {A_i}}}{{\displaystyle\mathop \sum \nolimits_{i = 1}^n {A_i}}} (5) 式中：dtmax为无液流时的最大温差（℃），即最大dt值；dtact为实际的dt值（℃）；T1−0、T1−2、T1−3分别为探针S1与S0、S2、S3之间的温度差（℃）。n为样树株数，Ai为第i株样树的边材面积（cm2）。
2.4 林分蒸腾量的计算
林分小时蒸腾量（T，mm/h）由样树的液流速率和边面积上推得到：
T = \overline {J_{\rm{s}}} \left( {{\displaystyle\mathop \sum \nolimits_{i = 1}^n {A_i}}} \right) {S}^{-1} \times 60 \times 60 \times {10^{ - 3}} (6) 式中：S为样地面积（m2）。单株树干的边材面积Ai（cm2）由Liu[13]基于边材面积与胸径之间的函数关系拟合得来，见公式：
{A_i} = 0.255 \; 1 {\rm{DB}}{{\rm{H}}^{2.189 \; 2}} (7) 2.5 数据处理
影响树木/林分蒸腾的环境因子众多，且各因素相互影响，很难区分出单个因素的影响。因此，本文使用上外包线法进行单因素分析，并剥离每个因素对蒸腾量的影响，该方法可在一定程度上消除其他影响因素的干扰[21]。同时，假设各单因素对蒸腾量的影响是相互独立的，因此蒸腾量受各因素影响的耦合模型为其对每个单因素响应函数的连乘关系：
T = f\left( {X_1} \right) f\left( {X_2} \right) f\left( {X_3} \right) \cdots f\left( {X_n} \right) (8) 式中：T为林分蒸腾量，
f\left( {X_1} \right) 、f\left( {X_2} \right) 、f\left( {X_3} \right) ···f\left( {X_n} \right) 分别表示林分蒸腾量对单个因素的响应函数，n为因子数。用R2和无量纲的纳什系数（NSE）来评价模型模拟的质量[22]：
{\rm{NSE}} = 1 - \frac{{\displaystyle\mathop \sum \nolimits_i^n {{\left( {{y_i} - {{y'}_i}} \right)}^2}}}{{\displaystyle\mathop \sum \nolimits_i^n {{\left( {{y_i} - \bar y} \right)}^2}}} (9) 式中：yi为实测值；y′i为预测值；
\bar y 为所有实测值的平均值，NES越接近于1，表明模型拟合精度越高。3. 结果与分析
3.1 环境因子的季节变化特征
研究期间共观测到降水68场，累积降雨量为728 mm。降雨的季节动态呈单峰型变化格局，生长季初期（5月）和末期（9—10月）降水较少，6—8月降水较多。其中，6—8月总降水量占全年累计降水量的72%，最大的两场降雨分别发生在6月25日（59 mm）和7月10日（60 mm）。观测期间土壤相对可利用水分（REW）的变化范围为0.003 ~ 0.997，平均值为0.337。REW在6月25日至7月26日之间保持较高水平，与该时间段内连续的强降雨事件有关。分析数据发现，降水事件后的第2天，REW会大幅度升高，说明REW对降雨的响应存在一定程度的滞后。日均气温的变化趋势表现为随儒略日（DOY）的增加先升后降，变化范围为0.79 ~ 20.03 ℃，平均值为11.71 ℃，月均值表现为7月最大（17.75 ℃），10月最小（3.72 ℃）。观测期间空气相对湿度呈先增后减的变化趋势，变化范围为18% ~ 100%，平均值为68.3%。饱和水汽压差（VPD）的变化范围为0.01 ~ 1.46 kPa，平均值为0.53 kPa；太阳辐射强度（Rs）的变化范围为14.02 ~ 272.23 W/m2，平均值为113.96 W/m2，二者的月均值均表现为5月最大（0.66 kPa，160.6 W/m2），9月最小（0.36 kPa，87.41 W/m2）。2018年生长季环境因子的变化规律见图1。
![]()
图 1 2018年生长季内环境因子变化Figure 1. Variations of environmental factors in growth season of 20183.2 树干液流速率及林分蒸腾的日内变化
华北落叶松叶片在10月份会变黄并逐渐脱落，为减小叶片活性对数据的影响，选择2018年5—9月连续3个晴天（27日，28日，29日）的液流值，分析生长季不同时期华北落叶松树干平均液流速率（
\overline {J_{\rm{s}}} ）的日进程。由图2可知，液流速率存在明显的日变化，在一天内呈现单峰或多峰的变化特征，且不同时期树干液流的启动和停止时间不尽相同。5月27日至29日，树干液流于早晨06:50—07:05之间启动，之后迅速增加，至10:15—11:45之间达到峰值后开始下降，直至夜晚22:05—23:00之间达到最低值。6月27日至29日树干液流的启动时间为06:45—07:25之间，达到峰值的时间为10:50—12:25，出现最低值的时间为21:45—23:35。7月液流开始启动和停止的时间分别为03:40—07:00和21:05—23:00；9月液流的启动时间和停止时间分别为07:05—08:20和20:45—23:10。但8月27—29日树干液流的日进程与其他月份不同，存在夜间液流的现象。由于夜间气孔关闭，蒸腾作用停止，此时液流活动主要用于补充白天因强烈的蒸腾而导致的树体内的储水量减少的那部分水分[23-24]。同时，受不同时期土壤水分条件和气候条件的影响，树干液流峰值的大小从5—9月呈逐渐变小的趋势。![]()
图 2 典型晴天树干液流速率的日进程Figure 2. Diurnal variations of sap flux density (\scriptstyle \overline {J_{\rm{s}}} ) in typical sunny days利用公式6计算得到林分小时蒸腾，将每月连续3天相同时刻的林分小时蒸腾进行平均，结果见图3。由图3可知，林分小时蒸腾的日内变化规律与树干液流速率基本相同，均呈单峰或者多峰的变化。尽管5—8月，林分蒸腾均从早上07:00开始出现，但生长季初期（5月和6月）林分蒸腾增加到最大值的速度要快于其他月份，而9月份林分蒸腾在早上8:00出现，要晚于其他月份。林分小时蒸腾量的峰值（mm/h）表现为5月（0.173）> 6月（0.122）> 7月（0.916）> 8月（0.762）> 9月（0.468）。
![]()
图 3 不同月份内林分小时蒸腾的日内变化特征Figure 3. Diurnal variations of stand hourly transpiration (T) in different months3.3 林分小时蒸腾对单因素环境条件的响应
在小时尺度上，林分蒸腾的变化主要受VPD[25]、Rs[25]和REW的影响，因此，本文选取Rs、VPD和REW为主要影响因子，基于上外包线分析2018年生长季奇数天林分蒸腾量与Rs、VPD和REW的关系，逐个确定其响应函数。
图4为林分小时蒸腾（T）与Rs的外包线关系，由图可知，林分小时蒸腾对Rs的响应呈二次函数关系，可表示为：
![]()
图 4 林分小时蒸腾对太阳辐射的响应Figure 4. Response of stand hourly transpiration (T) to solar radiation\begin{aligned} & T = - 3.000 \; 0 \times {10^{ - 7}}{R_{\rm{s}}}^2 + 0.000 \; 4{R_{\rm{s}}} + 0.065 \; 4, \\ & {{R^2} = 0.98} \end{aligned} (10) 当Rs较小时，林分蒸腾随Rs的增大而增大，当Rs达到666.7 W/m2后，林分蒸腾随Rs的继续增大而减小。这是因为当Rs较小时，随着Rs的增大，气孔因受到光照的诱导作用而打开；同时空气温度升高，叶面温度也随之升高，为植物的蒸腾提供了能量[26]。而当Rs继续增大时，气孔会因为温度过高而关闭，使得蒸腾量减小。
图5为林分小时蒸腾与VPD的外包线关系，由图可知，林分小时蒸腾与VPD的响应呈二次函数关系，其外包线函数关系为：
![]()
图 5 林分小时蒸腾对饱和水汽压差的响应Figure 5. Response of stand hourly transpiration (T) to vapor pressure deficit\begin{aligned} & T = - 0.029 \; 3{\rm{VP}}{{\rm{D}}^2} + 0.109 \; 7{\rm{VPD}} + 0.087 ,\\ & {{R^2} = 0.98} \end{aligned} (11) 当VPD小于1.86 kPa时，林分蒸腾随VPD的增大而增大，当VPD大于1.86 kPa后，林分蒸腾随VPD的增大而减小。这是因为VPD过高时，植物将缩小气孔开度，减少水分过渡耗失，防止叶片水势过低而造成木质部出现灾变性的功能失衡[27]，但这将使气孔导度下降，蒸腾减小。
林分小时蒸腾与REW的外包线关系如图6所示。可以看到，林分小时蒸腾与REW的关系符合趋于饱和的指数方程，其外包线关系为：
![]()
图 6 林分小时蒸腾对土壤可利用水分的响应Figure 6. Response of stand hourly transpiration (T) to relative extractable water\!\begin{aligned} T = & - 0.000 \; 2 + 0.187 \; 0 \times \left( {1 - {\rm{exp}}\left( { - 26.875 \; 0{\rm{REW}}} \right)} \right),\\ & {{R^2} = 0.99} \end{aligned}\!\!\!\!\!\!\!\!\!\!\! (12) 林分蒸腾先随REW的增大而快速增加，当REW增加至0.3后，林分蒸腾增加的速度减缓并逐渐趋于稳定。这是因为当REW较小时，叶片水势低，水分由根系向上传递的驱动力弱，水分传输受阻；而随着REW的增加，树木可以吸收的水分和叶片水势增加，蒸腾速率也随之增加[28]；当REW增加到某一阈值时，蒸腾量逐渐趋于稳定。
3.4 林分小时蒸腾对多因素的响应及耦合模型
为反映Rs、VPD和REW对林分小时蒸腾的综合影响，基于公式10 ~ 12的函数形式和连乘方程（公式8），得到样地小时蒸腾对Rs、VPD和REW响应的耦合模型基本形式：
T = f\left( {{R_{\rm{s}}}} \right) f\left( {\rm{VPD}} \right) f\left( {\rm{REW}} \right) (13) 进一步利用2018年生长季奇数天的实测数据进行重新拟合模型参数。得到模型表达式为：
\begin{aligned} T = &\left( { - 6.347 \; 0 \times {{10}^{ - 5}}{R_{\rm{s}}^2} - 0.637 \; 0{R_{\rm{s}}} - 208.734 \; 8} \right) \times \\ &\left( { - 0.003 \; 2{\rm{VP}}{{\rm{D}}^2} + 0.013 \; 8{\rm{VPD}} + 0.001 \; 7} \right) \times \\ & \left( { - 0.008 \; 1 - 0.004 \; 6\left( {1 - {\rm{exp}}\left( { - 12.469 \; 6{\rm{REW}}} \right)} \right)} \right),\\ & {R^2} = 0.74 \end{aligned} (14) 利用该模型（公式14）得到的模拟值（2018年奇数天）与实测值具有较高的吻合性，（R2 = 0.74，NSE = 0.82）。利用未参与模型拟合的偶数天数据对模型进行验证发现（图7），模拟值与实测值的吻合较好（R2 = 0.77，NSE = 0.84），表明该模型能较好的模拟小时尺度林分蒸腾对环境变化的响应。
![]()
图 7 小时尺度林分蒸腾实测值与模拟值对比Figure 7. Comparison between the measured and simulated stand hourly transpiration (T)4. 讨 论
4.1 林分小时蒸腾对单因素环境条件的响应
在小时尺度上，林木/林分蒸腾对Rs和VPD的响应最为敏感，Rs是调节气孔活动的主要环境因子，而VPD是林分蒸腾的主要驱动力[29]。研究表明，蒸腾速率与Rs，VPD显著相关[30-33]。VPD表示空气的干燥程度[34]，当VPD较低时，气孔导度与VPD呈正相关；当VPD上升到一定阈值后，二者呈负相关。气孔对VPD的这种响应机制增加了从土壤到叶片这条水流通路上的导水阻力，保证了树木自身用水安全[32]。林分蒸腾响应VPD阈值的大小因树种而异。韩路等[35]对塔里木盆地灰胡杨（Populus pruinosa）的研究发现，蒸腾速率对VPD的响应阈值为2.92 kPa；贾国栋等[36]发现北方土石山区油松（Pinus tabuliformis）和刺槐（Robinia pseudoacacia）林分蒸腾在VPD达到1.1 kPa后降低。Fletcher等[37]发现VPD阈值受到植物耐旱程度的影响，一般在0.8 ~ 2.0 kPa。李新宇等[38]对银杏的蒸腾耗水研究表明，当VPD < 3.2 kPa时，VPD对液流是驱动作用，而VPD > 3.2 kPa时转变为限制作用。本研究中，当VPD于1.86 kPa后，林分蒸腾开始减小，该响应阈值在Fletcher等的研究结果范围之内。Rs影响气温和相对湿度，而VPD是温度和相对湿度的函数，因此，Rs的改变会引起VPD的改变。强太阳辐射使气温升高，空气相对湿度下降而导致VPD增大，引起气孔导度下降从而使林分蒸腾降低，因此，林分蒸腾对Rs的响应也存在一个阈值。朱丽薇等[39]研究发现当VPD大于2 kPa，同时光合有效辐射大于1 000 μmol/ （m2·s）时，荷木冠层气孔导度与水汽压亏缺呈显著负相关，说明辐射与水汽压亏缺共同决定气孔开闭。因此，Rs与VPD对蒸腾的影响是相互作用的。
除气象条件外，土壤水分也是影响树木蒸腾的主要因子。研究发现，樟子松在土壤水分偏低时，对Rs和VPD的敏感程度会降低，此时，REW成为主要的限制因子[40]。REW表征土壤供水能力的大小，林木蒸腾的水分主要来自于植物根系从土壤中吸取的水分，因此，植物是否受到干旱胁迫主要是由土壤水分的可利用性决定，并不完全取决于降雨条件[32]。土壤水分不足时，气孔为了降低干旱造成的风险会关闭[41]，导致液流速率下降，蒸腾量降低。Orlandini等[42]通过研究盆栽葡萄（Vitis vinifera）对土壤干旱的响应发现，当REW降低至0.35时，蒸腾速率开始降低。Lagergren 和Lindroth[43]在瑞典中部的针叶混交林内研究发现，树木蒸腾出现明显降低的REW阈值在0.2左右。当土壤水分充足时，叶片水势增加，蒸腾速率表现为先增加后逐渐趋于稳定的变化趋势[12]。有研究表明，林分蒸腾达到稳定时的REW的阈值为0.2 ~ 0.5之间[44]。本研究中，当REW的阈值大于0.3 时，林分小时蒸腾基本保持稳定，该阈值在前人研究的阈值范围之内。
4.2 多因素共同影响下的树木蒸腾
在自然条件下，树木蒸腾受大气蒸腾需求和土壤水分可获得性的共同限制。因此，精确量化各环境因子对蒸腾的影响，并建立多因素影响的林分蒸腾模型非常有必要。利用上外包线法和连乘方程构建多因素对林分蒸腾影响的复合模型，可较好地模拟林分蒸腾[12,44]。但目前研究均集中在日尺度上，对短时间尺度（如小时尺度）上树木蒸腾对多个环境的响应关系及耦合模型还未见报道，这限制了对树木蒸腾响应短时间环境变化的准确理解。本研究在小时尺度上建立了同时反映Rs，VPD和REW影响的华北落叶松林分蒸腾模型，具有较高的拟合精度，可解释小时蒸腾量变异的74%，可为更进一步理解华北落叶松蒸腾对小时尺度上环境变化的响应提供帮助。但本研究建立的耦合模型并未考虑短时间尺度下树干液流对Rs和VPD的响应的时滞效应问题。Zeppel等[45]对澳大利亚桉树（Eucalyptus crebra）和白羽松（Callitris glaucophylla）的研究发现，树干液流对VPD的响应关系会出现顺时针方向的时滞圈；Hong等[6]发现，树干液流速率对Rs的响应在晴天表现为顺时针时滞，而在阴天和雨天表现为逆时针时滞。另外，本研究也未考虑叶面积指数的变化对蒸腾量的影响。已有研究表明，同等辐射强度下，叶面积的大小决定着吸收能量的多少，因叶面积不同导致蒸腾存在差异[46]，这均有可能影响本研究构建模型的模拟精度（74%），因此，未来还需继续考虑时滞效应与叶面积指数变化的影响，以提高模型模拟精度。
5. 结 论
（1）林分蒸腾的日内变化呈现单峰或多峰的变化特征，蒸腾量的峰值（mm/h）表现为5月（0.173）> 6月（0.122）> 7月（0.916）> 8月（0.762）> 9月（0.468）。
（2）林分小时蒸腾量对Rs和VPD的响应均符合二次多项式函数，随Rs和VPD的增大，蒸腾量先增后减，达到最高值的Rs和VPD阈值分别为666.7 W/m2和1.86 kPa；而林分小时蒸腾对REW的响应符合趋于饱和的指数关系，随REW的增加，蒸腾量先增加，当REW大于0.3后逐渐趋于稳定。
（3）林分小时蒸腾可用耦合Rs、VPD和REW这3个因素影响的模型进行很好地预测和评估，模型为T = (− 6.347 0 × 10− 5
{R_{\rm{s}}^2} − 0.637 0Rs − 208.734 8) × (− 0.003 2VPD2 + 0.013 8VPD + 0.001 7) × (− 0.008 1 − 0.004 6(1 − exp(− 12.469 6REW)))。 -
![]()
图 1 不同光照环境下叶际细菌和真菌α多样性指数
Figure 1. α-diversity indices of interleaf bacteria and fungi in understory vegetation under different light environments
![]()
图 2 不同生活型林下植被叶际细菌和真菌群落α多样性指数
Figure 2. α-diversity indices of interleaf bacterial and fungal communities in understory vegetation of different life forms
![]()
图 3 不同物种林下植被叶际细菌和真菌α多样性指数
*、**、***分别表示在 P < 0.05、 P < 0.01、P < 0.001水平上显著相关。下同。
Figure 3. α-diversity indices of interleaf bacteria and fungi in understory vegetation of different species
![]()
图 4 不同光照条件林下植被叶际细菌和真菌群落主坐标分析
Figure 4. Principal coordinates analysis of interleaf bacterial and fungal communities in understory vegetation under different light conditions
![]()
图 5 不同生活型林下植被叶际细菌和真菌群落主坐标分析
Figure 5. Principal coordinates analysis of interleaf bacterial and fungal communities in understory vegetation of different life types
![]()
图 6 不同物种林下植被叶际细菌和真菌群落主坐标分析
Figure 6. Principal coordinates analysis of interleaf bacterial and fungal communities in understory vegetation of different species
![]()
图 7 不同光照条件林下植被叶际细菌和真菌ASVs韦恩图
Figure 7. Venn diagrams of phyllosphere bacterial and fungal ASVs in understory vegetation under different light conditions
![]()
图 8 不同生活型林下植被叶际细菌和真菌ASVs韦恩图
Figure 8. Venn diagrams of phyllosphere bacterial and fungal ASVs in understory vegetation under different plant life forms
![]()
图 9 不同物种林下植被叶际细菌和真菌ASVs Upset图
Figure 9. Upset plots of phyllosphere bacterial and fungal ASVs in understory vegetation across different plant species
![]()
图 10 不同光照条件下叶际细菌和真菌群落在门和属水平上相对丰度
Figure 10. Relative abundance of interleaf bacterial and fungal communities at phylum and genus levels under different light conditions
![]()
图 11 不同生活型林下植被叶际细菌和真菌群落在门和属水平上相对丰度
Figure 11. Relative abundance of interleaf bacterial and fungal communities at phylum and genus levels in understory vegetation of different life forms
![]()
图 12 不同物种林下植被叶际细菌和真菌群落在门和属水平上相对丰度
Figure 12. Relative abundance of interleaf bacterial and fungal communities of different species of understory vegetation at phylum and genus levels
表 1 样地光环境数据
Table 1 Light environment data in forest plots
样地 PAR/
（μmol·m−2·s−1）样地 PAR/
（μmol·m−2·s−1）样地 PAR/
（μmol·m−2·s−1）1 58.94 11 1 049.46 21 840.9 2 658.31 12 1 283.10 22 359.66 3 178.45 13 159.62 23 765.01 4 1 086.90 14 240.81 24 1 251.50 5 1 116.30 15 105.48 25 1 247.72 6 1 115.24 16 221.60 26 938.71 7 211.35 17 457.90 27 901.34 8 700.28 18 562.86 28 836.99 9 511.94 19 544.67 29 1 157.41 10 171.16 20 783.04 30 1 260.43 注：PAR表示光合有效辐射。下同。 
下载: 导出CSV
表 2 采集植株物种及生活型
Table 2 Understory plant species and life form
物种 生活型 艾蒿 Artemisia argyi (AH) 草本 婆婆针 Bidens bipinnata (PPZ) 草本 求米草 Oplismenus undulatifolius (QMC) 草本 马唐 Digitaria sanguinalis (MT) 草本 胡枝子 Lespedezab icolor (HZZ) 灌木 荆条 Vitex negundo (JT) 灌木
下载: 导出CSV
表 3 细菌与真菌群落结构对光照及生活型的整体PERMANOVA模型效应
Table 3 Overall PERMANOVA model effects of light and lifeform on microbial community structures
微生物类群 Microbial Group 自由度 平方和 R2/% F P 细菌 5 2.124 7.433 1.285 0.005 9 真菌 5 2.189 7.696 1.334 0.005 2
下载: 导出CSV
表 4 基于序贯平方和分解的光照与生活型交互作用对微生物群落变异贡献
Table 4 Sequential sum of squares decomposition of light and lifeform effects on microbial community variation
微生物类群 变异来源 自由度 R2/% F P 细菌 光照 2 1.848 0.799 0.891 0 生活型 1 3.826 3.309 0.000 1 光照 : 生活型 2 1.829 0.791 0.890 4 真菌 光照 2 1.859 0.806 0.842 6 生活型 1 4.268 3.701 0.000 1 光照 : 生活型 2 1.632 0.708 0.959 0
下载: 导出CSV
-
[1] Andrews J H, Harris R F. The ecology and biogeography of microorganisms on plant surfaces[J]. Annual Review of Phytopathology, 2000, 38(1): 145−180. doi: 10.1146/annurev.phyto.38.1.145
[2] Zwielehner J, Handschur M, Michaelsen A, et al. DGGE and real-time PCR analysis of lactic acid bacteria in bacterial communities of the phyllosphere of lettuce[J]. Molecular Nutrition & Food Research, 2008, 52(5): 614−623.
[3] Rastogi G, Coaker G L, Leveau J H J. New insights into the structure and function of phyllosphere microbiota through high-throughput molecular approaches[J]. FEMS Microbiology Letters, 2013, 348(1): 1−10. doi: 10.1111/1574-6968.12225
[4] Pang Z, Chen J, Wang T, et al. Linking plant secondary metabolites and plant microbiomes: a review[J]. Frontiers in Plant Science, 2021, 12: 621276. doi: 10.3389/fpls.2021.621276
[5] Yutthammo C, Thongthammachat N, Pinphanichakarn P, et al. Diversity and activity of PAH-degrading bacteria in the phyllosphere of ornamental plants[J]. Microbial Ecology, 2010, 59: 357−368. doi: 10.1007/s00248-009-9631-8
[6] Sohrabi R, Paasch B C, Liber J A, et al. Phyllosphere microbiome[J]. Annual Review of Plant Biology, 2023, 74(1): 539−568. doi: 10.1146/annurev-arplant-102820-032704
[7] Mehlferber E C, Debray R, Conover A E, et al. Phyllosphere microbial associations improve plant reproductive success[J]. Frontiers in Plant Science, 2023, 14: 1273330. doi: 10.3389/fpls.2023.1273330
[8] Li J, Jin M K, Neilson R, et al. Plant identity shapes phyllosphere microbiome structure and abundance of genes involved in nutrient cycling[J]. Science of the Total Environment, 2023, 865: 161245. doi: 10.1016/j.scitotenv.2022.161245
[9] 刘建荣. 云顶山草本植物功能群研究[J]. 北京林业大学学报, 2017, 39(9): 76−82. Liu J R. Plant functional groups of the herbs of plant communities in Yunding Mountain, Shanxi of northern China[J]. Journal of Beijing Forestry University, 2017, 39(9): 76−82.
[10] 皮发剑, 袁丛军, 喻理飞, 等. 黔中天然次生林主要优势树种叶片生态化学计量特征[J]. 生态环境学报, 2016, 25(5): 801. Pi F J, Yuan C J, Yu L F, et al. Ecological stoichiometry characteristics of plant leaves from the main dominant species of natural secondary forest in the central of Guizhou[J]. Ecology and Environmental Sciences, 2016, 25(5): 801.
[11] De Mandal S, Jeon J. Phyllosphere microbiome in plant health and disease[J]. Plants, 2023, 12(19): 3481. doi: 10.3390/plants12193481
[12] Yu J, Zhang X, Xu C, et al. Thinning can increase shrub diversity and decrease herb diversity by regulating light and soil environments[J]. Frontiers in Plant Science, 2022, 13: 948648. doi: 10.3389/fpls.2022.948648
[13] Schimann H, Vacher C, Coste S, et al. Determinants of the vertical distribution of the phyllosphere differ between microbial groups and the epi-and endosphere in a tropical forest[J]. Phytobiomes Journal, 2023, 7(3): 312−323.
[14] Martirosyan V, Steinberger Y. Microbial functional diversity in the phyllosphere and laimosphere of different desert plants[J]. Journal of Arid Environments, 2014, 107: 26−33. doi: 10.1016/j.jaridenv.2014.04.002
[15] Lajoie G, Maglione R, Kembel S W. Adaptive matching between phyllosphere bacteria and their tree hosts in a neotropical forest[J]. Microbiome, 2020, 8: 1−10. doi: 10.1186/s40168-019-0777-4
[16] Lajoie G, Maglione R, Kembel S W. Drivers of phyllosphere microbial functional diversity in a neotropical forest[J]. bioRxiv, 2019: 851485.
[17] Chaudhry V, Runge P, Sengupta P, et al. Shaping the leaf microbiota: plant–microbe–microbe interactions[J]. Journal of Experimental Botany, 2021, 72(1): 36−56. doi: 10.1093/jxb/eraa417
[18] 郑华, 潘权, 文志, 等. 植物功能性状与森林生态系统服务的关系研究综述[J]. 生态学报, 2021, 41(20): 7901−7912. Zheng H, Pan Q, Wen ZH, et al. Relationships between plant functional traits and ecosystem services in forests: a review[J]. Acta Ecologica Sinica, 2021, 41(20): 7901−7912.
[19] 王瑞华, 葛晓敏, 唐罗忠. 林下植被多样性、生物量及养分作用研究进展[J]. 世界林业研究, 2014, 27(1): 43−48. Wang R H, Ge X M, Tang L Z H. A review of diversity, biomass and nutrient effect of understory vegetation[J]. World Forestry Research, 2014, 27(1): 43−48.
[20] 李羽翎. 茂兰喀斯特森林林窗内光资源再分配对木本植物更新的影响机理研究[D]. 贵阳: 贵州大学, 2022. Li Y L. Study on the influence mechanism of light reallocation on woody species regeneration in Maolan Karst Forests[D]. Guiyang: Guizhou University, 2022.
[21] 黄庆荣, 施逸啸, 江蓝, 等. 格氏栲天然林植物功能性状与系统发育对林窗大小的响应[J]. 森林与环境学报, 2023, 43(5): 449−456. Huang Q R, Shi Y X, J L, et al. Responses of plant functional traits and phylogeny to gap size in Castanopsis kawakamii natural forest[J]. Journal of Forest and Environment, 2023, 43(5): 449−456.
[22] Carvalho S D, Castillo J A. Influence of light on plant–phyllosphere interaction[J]. Frontiers in Plant Science, 2018, 9: 1482. doi: 10.3389/fpls.2018.01482
[23] Leveau J H J. A brief from the leaf: latest research to inform our understanding of the phyllosphere microbiome[J]. Current Opinion in Microbiology, 2019, 49: 41−49. doi: 10.1016/j.mib.2019.10.002
[24] Kong D, Ye Z, Dai M, et al. Light intensity modulates the functional composition of leaf metabolite groups and phyllosphere prokaryotic community in garden lettuce (Lactuca sativa L.) plants at the vegetative stage[J]. International Journal of Molecular Sciences, 2024, 25(3): 1451. doi: 10.3390/ijms25031451
[25] 孙梅, 田昆, 张贇, 等. 植物叶片功能性状及其环境适应研究[J]. 植物科学学报, 2017, 35(6): 940−949. doi: 10.11913/PSJ.2095-0837.2017.60940 Sun M, Tian K, Z Y, et al. Research on leaf functional traits and their environmental adaptation[J]. Plant Science Journal, 2017, 35(6): 940−949. doi: 10.11913/PSJ.2095-0837.2017.60940
[26] Shannon C E. A mathematical theory of communication[J]. The Bell System Technical Journal, 1948, 27(3): 379−423. doi: 10.1002/j.1538-7305.1948.tb01338.x
[27] Simpson E H. Measurement of diversity[J]. Nature, 1949, 163: 688−688. doi: 10.1038/163688a0
[28] Chao A. Nonparametric estimation of the number of classes in a population[J]. Scandinavian Journal of Statistics, 1984: 265-270.
[29] Hill T C J, Walsh K A, Harris J A, et al. Using ecological diversity measures with bacterial communities[J]. FEMS Microbiology Ecology, 2003, 43(1): 1−11. doi: 10.1111/j.1574-6941.2003.tb01040.x
[30] Pielou E C. The measurement of diversity in different types of biological collections[J]. Journal of Theoretical Biology, 1966, 13: 131−144. doi: 10.1016/0022-5193(66)90013-0
[31] The corsini encyclopedia of psychology, volume 4[M]. Hoboken: John Wiley & Sons, 2010.
[32] Bray J R, Curtis J T. An ordination of the upland forest communities of southern Wisconsin[J]. Ecological Monographs, 1957, 27(4): 326−349.
[33] Gower J C. Principal coordinates analysis[M/OL]. Chichester: Wiley StatsRef: Statistics Reference Online, 2014: 1–7 [2025–03–17]. https://doi.org/10.1002/0470011815.b2a13070.
[34] Anderson M J. A new method for non-parametric multivariate analysis of variance[J]. Austral Ecology, 2001, 26(1): 32−46.
[35] Love M I, Huber W, Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2[J]. Genome Biology, 2014, 15: 1−21. doi: 10.1186/gb-2014-15-1-r1
[36] Bars-Cortina D, Sakhawat A, Piñol-Felis C, et al. Chemopreventive effects of anthocyanins on colorectal and breast cancer: a review[C]//Seminars in Cancer Biology. Academic Press, 2022, 81: 241-258.
[37] Lex A, Gehlenborg N, Strobelt H, et al. UpSet: visualization of intersecting sets[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(12): 1983−1992. doi: 10.1109/TVCG.2014.2346248
[38] Lindow S E, Brandl M T. Microbiology of the phyllosphere[J]. Applied and Environmental Microbiology, 2003, 69(4): 1875−1883. doi: 10.1128/AEM.69.4.1875-1883.2003
[39] Wagner M R, Lundberg D S, Del Rio T G, et al. Host genotype and age shape the leaf and root microbiomes of a wild perennial plant[J]. Nature Communications, 2016, 7(1): 12151. doi: 10.1038/ncomms12151
[40] Vorholt J A. Microbial life in the phyllosphere[J]. Nature Reviews Microbiology, 2012, 10(12): 828−840. doi: 10.1038/nrmicro2910
[41] Laforest-Lapointe I, Messier C, Kembel S W. Host species identity, site and time drive temperate tree phyllosphere bacterial community structure[J]. Microbiome, 2016, 4: 1−10. doi: 10.1186/s40168-015-0145-y
[42] Kembel S W, O’Connor T K, Arnold H K, et al. Relationships between phyllosphere bacterial communities and plant functional traits in a neotropical forest[J]. Proceedings of the National Academy of Sciences, 2014, 111(38): 13715−13720. doi: 10.1073/pnas.1216057111
[43] Kim M, Singh D, Lai-Hoe A, et al. Distinctive phyllosphere bacterial communities in tropical trees[J]. Microbial Ecology, 2012, 63: 674−681. doi: 10.1007/s00248-011-9953-1
[44] Knief C, Delmotte N, Chaffron S, et al. Metaproteogenomic analysis of microbial communities in the phyllosphere and rhizosphere of rice[J]. The ISME Journal, 2012, 6(7): 1378−1390. doi: 10.1038/ismej.2011.192
[45] Delmotte N, Knief C, Chaffron S, et al. Community proteogenomics reveals insights into the physiology of phyllosphere bacteria[J]. Proceedings of the National Academy of Sciences, 2009, 106(38): 16428−16433. doi: 10.1073/pnas.0905240106
[46] Zhang C, Zhou D F, Wang M Y, et al. Phosphoribosylpyrophosphate synthetase as a metabolic valve advances Methylobacterium/Methylorubrum phyllosphere colonization and plant growth[J]. Nature Communications, 2024, 15(1): 5969. doi: 10.1038/s41467-024-50342-9
[47] Asaf S, Numan M, Khan A L, et al. Sphingomonas: from diversity and genomics to functional role in environmental remediation and plant growth[J]. Critical Reviews in Biotechnology, 2020, 40(2): 138−152. doi: 10.1080/07388551.2019.1709793
[48] Innerebner G, Knief C, Vorholt J A. Protection of Arabidopsis thaliana against leaf-pathogenic Pseudomonas syringae by Sphingomonas strains in a controlled model system[J]. Applied and Environmental Microbiology, 2011, 77(10): 3202−3210. doi: 10.1128/AEM.00133-11
[49] Knief C, Delmotte N, Chaffron S, et al. Metaproteogenomic analysis of microbial communities in the phyllosphere and rhizosphere of rice[J]. The ISME Journal, 2012, 6(7): 1378−1390. doi: 10.1038/ismej.2011.192
[50] Colin Y, Goberna M, Verdú M, et al. Successional trajectories of soil bacterial communities in mine tailings: The role of plant functional traits[J]. Journal of Environmental Management, 2019, 241: 284−292. doi: 10.1016/j.jenvman.2019.04.023
[51] Alguacil M M, Díaz G, Torres P, et al. Host identity and functional traits determine the community composition of the arbuscular mycorrhizal fungi in facultative epiphytic plant species[J]. Fungal Ecology, 2019, 39: 307−315. doi: 10.1016/j.funeco.2019.02.002
-
期刊类型引用(3)
1. 蔡家珍. 闽南乡村低山河流型湿地公园植物群落构建. 漳州职业技术学院学报. 2024(04): 103-108 . 
百度学术
2. 郭雅婷，李运远. 基于生物多样性的城市绿地植物群落构建途径. 风景园林. 2022(01): 59-63 . 百度学术
3. 杨土士，王伟文，常鸣，王雪梅. 北京市潜在风道的数值模拟与综合识别. 地球信息科学学报. 2020(10): 1996-2009 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 24
- HTML全文浏览量: 6
- PDF下载量: 10
- 被引次数: 6
